مدل چندلایه هوش مصنوعی برای پیش بینی تهدیدات سایبری آینده

تحول هم زمان رایانش ابری، اینترنت اشیا، زنجیره تامین نرم افزار، هوش مصنوعی مولد و عامل های خودمختار، تهدیدات سایبری را سریع تر، چندمرحله ای تر و سازگارشونده تر کرده است. ازاین رو، دفاعی که فقط پس از مشاهده شاخص نفوذ واکنش نشان می دهد، برای کاهش زمان پیش آگاهی و اولویت بندی اقدام کافی نیست. هدف پژوهش حاضر، ارائه چارچوبی قابل آزمون برای تبدیل داده های ناهمگون امنیتی به پیش بینی های کالیبره، توضیح پذیر و قابل اقدام است. روش پژوهش، مرور ساختاریافته–تلفیقی و تحلیل اسنادی منابع علمی داوری شده و چارچوب های رسمی منتشرشده در فاصله ۲۰۱۰ تا اوت ۲۰۲۶ است. منابع با معیار ارتباط مستقیم با پیش بینی تهدید، کیفیت شواهد، قابلیت استفاده عملیاتی و توجه به ریسک خصمانه انتخاب و در هشت محور کدگذاری شدند. بر پایه این تحلیل، چارچوب هفت لایه شامل بافت داده چندمنبعی، کیفیت و منشا داده، تحلیل پیش بین ترکیبی، گراف تهدید و نگاشت ATT&CK/ATLAS، ریسک کالیبره و عدم قطعیت، پاسخ توضیح پذیر با هدایت انسان، و یادگیری مستمر همراه با آزمون خصمانه پیشنهاد شد. ارزیابی اسنادی و سه سناریوی بازسازی شده نشان می دهد مزیت نظری چارچوب در پیوند پیش بینی با زمینه دارایی، عدم قطعیت، اقدام برگشت پذیر و حاکمیت است؛ نه در اتکا به یک الگوریتم منفرد. مقاله همچنین چهار گزاره آزمون پذیر و مجموعه ای از معیارهای ارزیابی زمانی، عملیاتی و تاب آوری ارائه می کند. نتیجه آن است که پیش بینی معتبر تهدید باید به صورت تصمیم تحت عدم قطعیت طراحی شود و کارایی آن با زمان پیش آگاهی، کالیبراسیون، کاهش بار تحلیلگر و مقاومت در برابر فریب سنجیده شود، نه فقط با دقت طبقه بندی.

کلیدواژه ها:

هوش مصنوعی ، پیش بینی ، تهدیدات سایبری ، عدم قطعیت ، حمله سایبری ، فیشینگ